В истории философии и науки есть фигуры настолько не заурядные и причудливые, что их затмевают более «удобные» для истории персонажи
Один из них — Адам Хёне-Вронский (1776–1853), польский математик, мистик и визионер, чья жизнь похожа на роман
Он был прототипом персонажа у Бальзака («Поиски абсолюта») и учителем Элифаса Леви, превратившегося под его влиянием из аббата в великого оккультиста
В чем же феномен Вронского?
Пытался найти абсолютную истину и универсальные законы бытия через синтез математики и каббалы
Его работы опережали время, но были настолько сложны и неортодоксальны, что научное сообщество их отвергало
Говорят, даже Лаплас был потрясен и воскликнул: — «Только поляк мог внедрить мистику в математику»
Сконструировал фантастический аппарат — несколько концентрических сфер, покрытых уравнениями и надписями
Верил, что в этом приборе заключен свод всех наук и даже рассчитанное будущее. Механический оракул, воплощение мечты о всезнании
Его главная идея — возможность достижения абсолютного знания через объединение рационального расчета и откровения
Он искал мессианскую роль для науки, что делает его фигуру ключевой для понимания европейского оккультизма XIX века
Вронский умер в нищете, оставив горы неопубликованных рукописей
Один из них — Адам Хёне-Вронский (1776–1853), польский математик, мистик и визионер, чья жизнь похожа на роман
Он был прототипом персонажа у Бальзака («Поиски абсолюта») и учителем Элифаса Леви, превратившегося под его влиянием из аббата в великого оккультиста
В чем же феномен Вронского?
Пытался найти абсолютную истину и универсальные законы бытия через синтез математики и каббалы
Его работы опережали время, но были настолько сложны и неортодоксальны, что научное сообщество их отвергало
Говорят, даже Лаплас был потрясен и воскликнул: — «Только поляк мог внедрить мистику в математику»
Сконструировал фантастический аппарат — несколько концентрических сфер, покрытых уравнениями и надписями
Верил, что в этом приборе заключен свод всех наук и даже рассчитанное будущее. Механический оракул, воплощение мечты о всезнании
Его главная идея — возможность достижения абсолютного знания через объединение рационального расчета и откровения
Он искал мессианскую роль для науки, что делает его фигуру ключевой для понимания европейского оккультизма XIX века
Вронский умер в нищете, оставив горы неопубликованных рукописей
Рекомендация лекции Михаила Цфасмана на «Культуре»
Михаил Анатольевич часто разбирает относительно элементарные, но очень глубокие сюжеты
Они оказываются связаны с большой математикой, требуют идей из самых разных областей — и ведут к открытым проблемам и современным результатам
На Летней Школе Современная Математика Цфасман читал обзоную лекцию о задаче об упаковках шаров (ютуб, маснет)
Это еще один пример того, как из простой постановки вырастают серьёзные вопросы на стыке разных наук
Две лекции — на «Культуре» и на ЛШСМ — радикально различаются по уровню сложности, но обе совершенно замечательные
В этом году на математической карте Москвы появилось еще одно место силы — Высшая школа современной математики в МФТИ
Это небольшая программа, где готовят профессиональных математиков на мировом уровне
Михаил Анатольевич её научный руководитель, и тем, кто будет там учиться, очень повезёт слушать его лекции
Михаил Анатольевич часто разбирает относительно элементарные, но очень глубокие сюжеты
Они оказываются связаны с большой математикой, требуют идей из самых разных областей — и ведут к открытым проблемам и современным результатам
На Летней Школе Современная Математика Цфасман читал обзоную лекцию о задаче об упаковках шаров (ютуб, маснет)
Это еще один пример того, как из простой постановки вырастают серьёзные вопросы на стыке разных наук
Две лекции — на «Культуре» и на ЛШСМ — радикально различаются по уровню сложности, но обе совершенно замечательные
В этом году на математической карте Москвы появилось еще одно место силы — Высшая школа современной математики в МФТИ
Это небольшая программа, где готовят профессиональных математиков на мировом уровне
Михаил Анатольевич её научный руководитель, и тем, кто будет там учиться, очень повезёт слушать его лекции
Telegram
Wild Mathing
Две научно-популярные лекции о математике. Обе с проекта ACADEMIA, в рамках которого записаны сотни выступлений ученых мирового уровня (по разным направлениям) — рекомендую посмотреть плейлисты.
🎬 Николай Андреев. Математические этюды
Как обычно, Н.Н. завлекает…
🎬 Николай Андреев. Математические этюды
Как обычно, Н.Н. завлекает…
👍2
Узкое место информационного насыщения: скрытый предел предобучения с учителем
Title: These Are Not All the Features You Are Looking For: A Fundamental Bottleneck in Supervised Pretraining
Authors: Xingyu (Alice) Yang, Jianyu Zhang, Léon Bottou
https://arxiv.org/abs/2506.18221
https://github.com/facebookresearch/richreps-timecat
Title: These Are Not All the Features You Are Looking For: A Fundamental Bottleneck in Supervised Pretraining
Authors: Xingyu (Alice) Yang, Jianyu Zhang, Léon Bottou
https://arxiv.org/abs/2506.18221
https://github.com/facebookresearch/richreps-timecat
arXiv.org
These Are Not All the Features You Are Looking For: A Fundamental...
Transfer learning is a cornerstone of modern machine learning, promising a way to adapt models pretrained on a broad mix of data to new tasks with minimal new data. However, a significant...
Ml
Узкое место информационного насыщения: скрытый предел предобучения с учителем Title: These Are Not All the Features You Are Looking For: A Fundamental Bottleneck in Supervised Pretraining Authors: Xingyu (Alice) Yang, Jianyu Zhang, Léon Bottou https://a…
Работа про репрезентации, хорошо дополняет предыдущую (и вышла до неё)
Работа показывает, что тренд на увеличение размера модели не решает проблему выучивания хороших репрезентаций, они получаются недостаточно разнообразными
Авторы предлагают свой метод обучения нескольких моделей на разных задачах и конкатенации в одну, который требует столько же вычислительных ресурсов, как и обучение одной большой модели
Работа показывает, что тренд на увеличение размера модели не решает проблему выучивания хороших репрезентаций, они получаются недостаточно разнообразными
Авторы предлагают свой метод обучения нескольких моделей на разных задачах и конкатенации в одну, который требует столько же вычислительных ресурсов, как и обучение одной большой модели
МАТЕМАТИЧЕСКИЙ_АНАЛИЗ_для_школьников.pdf
448.6 KB
Методическое пособие по математическому анализу для школьников
Пособие отличается от классических подходов к матанализу тем, что оно полностью избегает традиционного, сложного для школьников формального определения предела, заменяя его интуитивно понятным аппаратом дифференциалов и акцентом на вычислительные алгоритмы
Главная его особенность - построение всего курса на основе практического, "алгоритмического" определения действительных чисел и производной
Это делает теорию доступной и тесно связывает её с физическими и геометрическими приложениями
Пособие отличается от классических подходов к матанализу тем, что оно полностью избегает традиционного, сложного для школьников формального определения предела, заменяя его интуитивно понятным аппаратом дифференциалов и акцентом на вычислительные алгоритмы
Главная его особенность - построение всего курса на основе практического, "алгоритмического" определения действительных чисел и производной
Это делает теорию доступной и тесно связывает её с физическими и геометрическими приложениями
Вроде бы (высшая) гомотопическая ассоциативность и (высшая) гомотопическая коммутативность (умножения где-нибудь) — скорее независимые вещи
Они и кодируются немного разной комбинаторикой: ассоциэдрами vs пермутоэдрами (оба многогранника — частный случай граф-ассоциэдра; обычный ассоциэдр соответствует графу-цепочке, а пермутоэдр — полному графу)
Но есть вот какая связь
Логично, что морфизмы в категории гомотопически ассоциативных колец — это "гомотопические гомоморфизмы"* (то есть для объектов свойство (a*b)*c=a*(b*c) выполнено с точностью до гомотопии, а для морфизмов свойство f(a*b)=f(a)*f(b) выполнено с точностью до гомотопии)
С другой стороны, кольцо R коммутативно тогда и только тогда, когда отображение умножения R⊗R->R является гомоморфизмом колец
Вот и "описали гомотопическую коммутативность объекта через гомотопическую ассоциативность морфизма"
*можно, кстати, рассматривать категорию строго ассоциативных колец и "гомотопических гомоморфизмов" (если правильно помню, примерно об этом категория DASH Манкхольма: differential algebras + strongly homotopy multiplicative maps
Сейчас вместо "shm map" мы говорим "A_∞-морфизм")
Они и кодируются немного разной комбинаторикой: ассоциэдрами vs пермутоэдрами (оба многогранника — частный случай граф-ассоциэдра; обычный ассоциэдр соответствует графу-цепочке, а пермутоэдр — полному графу)
Но есть вот какая связь
Логично, что морфизмы в категории гомотопически ассоциативных колец — это "гомотопические гомоморфизмы"* (то есть для объектов свойство (a*b)*c=a*(b*c) выполнено с точностью до гомотопии, а для морфизмов свойство f(a*b)=f(a)*f(b) выполнено с точностью до гомотопии)
С другой стороны, кольцо R коммутативно тогда и только тогда, когда отображение умножения R⊗R->R является гомоморфизмом колец
Вот и "описали гомотопическую коммутативность объекта через гомотопическую ассоциативность морфизма"
*можно, кстати, рассматривать категорию строго ассоциативных колец и "гомотопических гомоморфизмов" (если правильно помню, примерно об этом категория DASH Манкхольма: differential algebras + strongly homotopy multiplicative maps
Сейчас вместо "shm map" мы говорим "A_∞-морфизм")
Машинное обучение (Ml) сокращает время обучения, но ослабляет критическое мышление
Эксперимент в HIT показывает, что студенты учатся с помощью Ml так же эффективно, как и с живыми преподавателями, однако излишняя зависимость может негативно сказаться на успеваемости
Факультет образовательных технологий Холонского технологического института (HIT) представил свое исследование на конференции Calcalist AI, проведенной совместно с Vultr, на тему, может ли Ml заменить лектора-человека
«Мы сосредоточились на трёх основных вопросах
Во-первых, если студенты учатся с помощью Ml вместо традиционного преподавателя, есть ли разница в их достижениях?
Во-вторых, как Ml влияет на эффективность процесса обучения?
В-третьих, есть ли связь между частотой использования Ml и успеваемостью студентов?»
https://www.calcalistech.com/ctechnews/article/r680lt05p
Эксперимент в HIT показывает, что студенты учатся с помощью Ml так же эффективно, как и с живыми преподавателями, однако излишняя зависимость может негативно сказаться на успеваемости
Факультет образовательных технологий Холонского технологического института (HIT) представил свое исследование на конференции Calcalist AI, проведенной совместно с Vultr, на тему, может ли Ml заменить лектора-человека
«Мы сосредоточились на трёх основных вопросах
Во-первых, если студенты учатся с помощью Ml вместо традиционного преподавателя, есть ли разница в их достижениях?
Во-вторых, как Ml влияет на эффективность процесса обучения?
В-третьих, есть ли связь между частотой использования Ml и успеваемостью студентов?»
https://www.calcalistech.com/ctechnews/article/r680lt05p
ctech
AI cuts study time but weakens critical thinking, research finds
Dr. Meital Amzaleg’s experiment at HIT shows students learn as effectively with AI as with human lecturers, but overreliance may harm performance.
💯1
Знак бесконечности (∞) лемниската, от латинского "lēmniscātus" ("украшенный лентами, бантик"), от слова "lēmniscus" ("лента"), от греческого λημνῐ́σκος [lēmnĭ́skos] с тем же значением
Может пригодиться, если вам нужно будет впечатлить на свидании математичку, будучи гуманитарием
(это ж каким нужно быть душнилой, чтобы на свидании обсуждать лемнискату)
Может пригодиться, если вам нужно будет впечатлить на свидании математичку, будучи гуманитарием
(это ж каким нужно быть душнилой, чтобы на свидании обсуждать лемнискату)
✍2😁2
В 1964 году появилась статья с названием, которое выглядит почти как шутка: «H = W»
На первый взгляд — всего лишь равенство двух букв
Но за ним скрывается фундаментальный результат для математики XX века
Дело в том, что в середине прошлого века активно развивалась теория дифференциальных уравнений. Классическая математика оперировала только «гладкими» функциями — теми, у которых есть производные в привычном смысле
Но очень часто в задачах встречаются функции, которые ведут себя плохо: у них есть разрывы, изломы, углы
На таких функциях классическая производная перестаёт существовать. Казалось бы, тупик
Но в 30–40-е годы возникла идея рассматривать обобщённые производные
Она позволяет придавать смысл производным даже там, где обычного дифференцирования нет. Классический пример — функция 𝑓(𝑥)=∣𝑥∣
В нуле она не имеет производной, но в обобщённом смысле её производная существует и равна функции «sgn(x)»
Чтобы работать с такими объектами, математики ввели специальные пространства функций — пространства Соболева
Но оказалось, что можно подойти к их определению как минимум двумя путями
В одном случае берут замыкание «хороших» функций в специальной норме — это обозначали буквой H
В другом — сразу требуют, чтобы функция и её обобщённые производные принадлежали определённому пространству 𝐿𝑝, и это называли W
Эти два определения выглядели похожими, но не было очевидно, что они действительно дают одно и то же
И вот в 1964 году Джеймс Серрин и Нормэл Джордж Мейерс опубликовали работу, в которой доказали: для любых областей, любого порядка производных и любого показателя интегрируемости два подхода эквивалентны
То есть H и W — это одно и то же
Доказательство заняло меньше страницы
Почему это оказалось таким важным?
Потому что в исследованиях дифференциальных уравнений стало возможным свободно переходить от одного подхода к другому
Одни математики удобнее формулировали задачи через H, другие через W, и теперь было ясно, что они говорят об одном и том же объекте
Это аналогично тому, как если бы мы сначала доказали, что алгебраическое уравнение имеет комплексное решение, а затем доказали бы, что это комплексное решение является действительным, или доказали бы, что уравнение имеет действительное числовое решение, а затем доказали бы, что это действительное числовое решение на самом деле является целым
Проще сначала найти решение в более широком пространстве, а затем, если возможно, показать, что найденное вами решение принадлежит более узкому пространству
На первый взгляд — всего лишь равенство двух букв
Но за ним скрывается фундаментальный результат для математики XX века
Дело в том, что в середине прошлого века активно развивалась теория дифференциальных уравнений. Классическая математика оперировала только «гладкими» функциями — теми, у которых есть производные в привычном смысле
Но очень часто в задачах встречаются функции, которые ведут себя плохо: у них есть разрывы, изломы, углы
На таких функциях классическая производная перестаёт существовать. Казалось бы, тупик
Но в 30–40-е годы возникла идея рассматривать обобщённые производные
Она позволяет придавать смысл производным даже там, где обычного дифференцирования нет. Классический пример — функция 𝑓(𝑥)=∣𝑥∣
В нуле она не имеет производной, но в обобщённом смысле её производная существует и равна функции «sgn(x)»
Чтобы работать с такими объектами, математики ввели специальные пространства функций — пространства Соболева
Но оказалось, что можно подойти к их определению как минимум двумя путями
В одном случае берут замыкание «хороших» функций в специальной норме — это обозначали буквой H
В другом — сразу требуют, чтобы функция и её обобщённые производные принадлежали определённому пространству 𝐿𝑝, и это называли W
Эти два определения выглядели похожими, но не было очевидно, что они действительно дают одно и то же
И вот в 1964 году Джеймс Серрин и Нормэл Джордж Мейерс опубликовали работу, в которой доказали: для любых областей, любого порядка производных и любого показателя интегрируемости два подхода эквивалентны
То есть H и W — это одно и то же
Доказательство заняло меньше страницы
Почему это оказалось таким важным?
Потому что в исследованиях дифференциальных уравнений стало возможным свободно переходить от одного подхода к другому
Одни математики удобнее формулировали задачи через H, другие через W, и теперь было ясно, что они говорят об одном и том же объекте
Это аналогично тому, как если бы мы сначала доказали, что алгебраическое уравнение имеет комплексное решение, а затем доказали бы, что это комплексное решение является действительным, или доказали бы, что уравнение имеет действительное числовое решение, а затем доказали бы, что это действительное числовое решение на самом деле является целым
Проще сначала найти решение в более широком пространстве, а затем, если возможно, показать, что найденное вами решение принадлежит более узкому пространству
👍1
К началу нового учебного года переиздана книжка Р.К. Гордина "Теоремы и задачи школьной геометрии
Базовый и профильный уровни" с красивыми геометрическими картинками
В этой книге в форме серии задач излагается практически вся элементарная геометрия
Книга состоит из двух частей: первую можно считать базовым курсом геометрии, содержащим наиболее известные и часто используемые теоремы; во второй приводятся малоизвестные, но красивые факты
https://biblio.mccme.ru/node/300684
Рафаил Калманович Гордин работает в 57 школе Москвы уже 50 лет
Базовый и профильный уровни" с красивыми геометрическими картинками
В этой книге в форме серии задач излагается практически вся элементарная геометрия
Книга состоит из двух частей: первую можно считать базовым курсом геометрии, содержащим наиболее известные и часто используемые теоремы; во второй приводятся малоизвестные, но красивые факты
https://biblio.mccme.ru/node/300684
Рафаил Калманович Гордин работает в 57 школе Москвы уже 50 лет
Каталог каталогов по ML
1. Мини-проекты по машинному обучению с Python
Небольшие проекты для понимания основных концепций
Создание моделей машинного обучения с Scikit-learn для регрессии и классификации
2. Анализ данных и библиотека проектов машинного обучения
Учебные материалы, код и наборы данных для проектов анализа данных и машинного обучения
3. Идеи для проектов машинного обучения
Идеи проектов: машинное обучение, НЛП, компьютерное зрение, рекомендательные системы
4. 500+ проектов машинного обучения и ИИ с кодом
500+ реальных проектов: машинное обучение, глубокое обучение, компьютерное зрение
5. Проекты дегенеративного Ml
Современные проекты и сервисы генеративного Ml
Инструменты для генерации текста, изображений, аудио, видео
6. Инструменты и проекты LangChain
Инструменты и проекты с фреймворком LangChain для приложений на основе больших языковых моделей и Ml-агентов
7. Решения Kaggle
Решения и идеи соревнований Kaggle
Лучшие подходы к решению задач машинного обучения
8. Топ проектов глубокого обучения на GitHub
Популярные проекты глубокого обучения, ранжированные по количеству звезд
Фреймворки, инструменты и ресурсы
9. Справочник по машинному обучению
Ссылки, учебные материалы и ресурсы по машинному обучению и глубокому обучению
10. Ресурсы глубокого обучения
Учебники, проекты, книги и сообщества по глубокому обучению
Нейронные сети, обучение с подкреплением, исследования Ml
Обычно такое не люблю, но тут реально собраны тысячи полезных ссылок
Тут и обучение и фреймворки и инструменты.
Все что может пригодиться в мире Ml
Подборки курируемые с десятками, а иногда и сотнями контрибьюторов
И всё бесплатно
Лет на 5 обучения хватит
1. Мини-проекты по машинному обучению с Python
Небольшие проекты для понимания основных концепций
Создание моделей машинного обучения с Scikit-learn для регрессии и классификации
2. Анализ данных и библиотека проектов машинного обучения
Учебные материалы, код и наборы данных для проектов анализа данных и машинного обучения
3. Идеи для проектов машинного обучения
Идеи проектов: машинное обучение, НЛП, компьютерное зрение, рекомендательные системы
4. 500+ проектов машинного обучения и ИИ с кодом
500+ реальных проектов: машинное обучение, глубокое обучение, компьютерное зрение
5. Проекты дегенеративного Ml
Современные проекты и сервисы генеративного Ml
Инструменты для генерации текста, изображений, аудио, видео
6. Инструменты и проекты LangChain
Инструменты и проекты с фреймворком LangChain для приложений на основе больших языковых моделей и Ml-агентов
7. Решения Kaggle
Решения и идеи соревнований Kaggle
Лучшие подходы к решению задач машинного обучения
8. Топ проектов глубокого обучения на GitHub
Популярные проекты глубокого обучения, ранжированные по количеству звезд
Фреймворки, инструменты и ресурсы
9. Справочник по машинному обучению
Ссылки, учебные материалы и ресурсы по машинному обучению и глубокому обучению
10. Ресурсы глубокого обучения
Учебники, проекты, книги и сообщества по глубокому обучению
Нейронные сети, обучение с подкреплением, исследования Ml
Обычно такое не люблю, но тут реально собраны тысячи полезных ссылок
Тут и обучение и фреймворки и инструменты.
Все что может пригодиться в мире Ml
Подборки курируемые с десятками, а иногда и сотнями контрибьюторов
И всё бесплатно
Лет на 5 обучения хватит
GitHub
GitHub - devAmoghS/Machine-Learning-with-Python: Small scale machine learning projects to understand the core concepts . Give a…
Small scale machine learning projects to understand the core concepts . Give a Star 🌟If it helps you. BONUS: Interview Bank coming up..! - devAmoghS/Machine-Learning-with-Python
💯1
Экс-сотрудник Google и сооснователь xAI, объявил о запуске новой компании под названием Mathematics
Они создают:
Ml-агентов для формализации математики
Основной продукт — агент Gauss, построенный на инфраструктуре подкрепленного обучения из Morph Labs
Он генерирует тысячи строк кода для доказательств теорем, используя LLM
Формальные доказательства сложных теорем
Уже на старте они расширили формализацию теоремы о сильном распределении простых чисел
Добавили 22.000 строк LLM-генерированного кода в Lean, что делает доказательство полностью проверяемым
Инфраструктуру для верифицированного Ml
Цель — создать сверхинтеллект, где все выводы не просто генерируются, а строго доказываются
Это шаг к Ml, который превзойдёт человека в математике к 2026 году, без "галлюцинаций" или ошибок
Они создают:
Ml-агентов для формализации математики
Основной продукт — агент Gauss, построенный на инфраструктуре подкрепленного обучения из Morph Labs
Он генерирует тысячи строк кода для доказательств теорем, используя LLM
Формальные доказательства сложных теорем
Уже на старте они расширили формализацию теоремы о сильном распределении простых чисел
Добавили 22.000 строк LLM-генерированного кода в Lean, что делает доказательство полностью проверяемым
Инфраструктуру для верифицированного Ml
Цель — создать сверхинтеллект, где все выводы не просто генерируются, а строго доказываются
Это шаг к Ml, который превзойдёт человека в математике к 2026 году, без "галлюцинаций" или ошибок
❤2
В следующий раз, когда будете читать про прорывы в квантовых вычислениях, как мы на пороге будущего и все такое, вспоминайте, что до сих пор квантовые компьютеры не смогли разложить на простые множители число...21
При этом число "15" разложили еще в 2001 году
Почему?
А потому, что разложение "21" требует 2.405 квантовых гейтов (вместо 21 гейта в разложении "15")
Причина: повезло с числом 15 = 2⁴−1, его очень просто разложить с помощью алгоритма Шора
https://algassert.com/post/2500
https://arxiv.org/abs/1301.7007
По сути, в таких работах алгоритм уже "знает" про правильное разложение
При этом число "15" разложили еще в 2001 году
Почему?
А потому, что разложение "21" требует 2.405 квантовых гейтов (вместо 21 гейта в разложении "15")
Причина: повезло с числом 15 = 2⁴−1, его очень просто разложить с помощью алгоритма Шора
https://algassert.com/post/2500
https://arxiv.org/abs/1301.7007
По сути, в таких работах алгоритм уже "знает" про правильное разложение
Algassert
Why haven't quantum computers factored 21 yet?
Craig Gidney's computer science blog
🔥1
За рамками alignment'а: как обучение с подкреплением создаёт новое поколение Ml с ризонингом
A Survey of Reinforcement Learning for Large Reasoning Models
https://arxiv.org/abs/2509.08827
https://github.com/TsinghuaC3I/Awesome-RL-for-LRMs
https://arxiviq.substack.com/p/a-survey-of-reinforcement-learning
A Survey of Reinforcement Learning for Large Reasoning Models
https://arxiv.org/abs/2509.08827
https://github.com/TsinghuaC3I/Awesome-RL-for-LRMs
https://arxiviq.substack.com/p/a-survey-of-reinforcement-learning
arXiv.org
A Survey of Reinforcement Learning for Large Reasoning Models
In this paper, we survey recent advances in Reinforcement Learning (RL) for reasoning with Large Language Models (LLMs). RL has achieved remarkable success in advancing the frontier of LLM...
w34255.pdf
9.3 MB
700.000.000 активных пользователей еженедельно, 18 .000.000.000 сообщений в неделю
Harvard и OpenAI проанализировали, как люди реально используют этот инструмент
К июню 2025 женщины - половина аудитории
50% запросов от людей младше 26
Развивающиеся страны показывают непропорционально высокий рост - Индия, Бразилия, Нигерия опережают США и Европу
Три способа использования:
Asking (49 %) - “Помоги разобраться”
Не просто вопросы, а поддержка решений
Выбор между job-офферами, анализ инвестиций, плюсы-минусы переезда
Растёт быстрее всех и получает высшие оценки качества
Doing (40 %) - “Сделай за меня”
Письма, презентации, код
Доминирует в рабочих задачах (56 % рабочих запросов)
Expressing (11 %) - “Просто поговорить”
Размышления вслух, эмоциональная разгрузка
О чём спрашивают (75 % всех запросов):
Практические советы - 29 %
От починки крана до ведения переговоров
Поиск информации - 24 %
Выросло с 14 % за год
ChatGPT вытесняет Google для поиска и сравнения
Написание текстов - 24 %
Упало с 36 %
2/3 — редактирование текста, не генерация
Сюрпризы:
Кодинг - всего 4.2 %**
Программисты ушли в специализированные инструменты (Cursor, Copilot)
Работа vs личная жизнь: 30/70
70 % использования — личные задачи, и эта доля растёт
40 % — тексты: email, презентации, документы
Где настоящая ценность
Главное открытие: максимальную пользу даёт не автоматизация рутины, а улучшение качества решений
ChatGPT помогает увидеть слепые зоны, структурировать мышление, рассмотреть альтернативы
Harvard и OpenAI проанализировали, как люди реально используют этот инструмент
К июню 2025 женщины - половина аудитории
50% запросов от людей младше 26
Развивающиеся страны показывают непропорционально высокий рост - Индия, Бразилия, Нигерия опережают США и Европу
Три способа использования:
Asking (49 %) - “Помоги разобраться”
Не просто вопросы, а поддержка решений
Выбор между job-офферами, анализ инвестиций, плюсы-минусы переезда
Растёт быстрее всех и получает высшие оценки качества
Doing (40 %) - “Сделай за меня”
Письма, презентации, код
Доминирует в рабочих задачах (56 % рабочих запросов)
Expressing (11 %) - “Просто поговорить”
Размышления вслух, эмоциональная разгрузка
О чём спрашивают (75 % всех запросов):
Практические советы - 29 %
От починки крана до ведения переговоров
Поиск информации - 24 %
Выросло с 14 % за год
ChatGPT вытесняет Google для поиска и сравнения
Написание текстов - 24 %
Упало с 36 %
2/3 — редактирование текста, не генерация
Сюрпризы:
Кодинг - всего 4.2 %**
Программисты ушли в специализированные инструменты (Cursor, Copilot)
Работа vs личная жизнь: 30/70
70 % использования — личные задачи, и эта доля растёт
40 % — тексты: email, презентации, документы
Где настоящая ценность
Главное открытие: максимальную пользу даёт не автоматизация рутины, а улучшение качества решений
ChatGPT помогает увидеть слепые зоны, структурировать мышление, рассмотреть альтернативы